科学应用统计学多重线性回归模型.ppt

Dependent variable.. X4 Method.. EXPONENT Listwise Deletion of Missing Data Multiple R .96856 R Square .93810 Adjusted R Square .93501 Standard Error .26294 Analysis of Variance: DF Sum of Squares Mean Square Regression 1 20.956004 20.956004 Residuals 20 1.382742 .069137 F = 303.10787 Signif F = .0000 -------------------- Variables in the Equation -------------------- Variable B SE B Beta T Sig T Time .153837 .008836 .968556 17.410 .0000 (Constant) 12.521790 1.751183 7.150 .0000 The following new variables are being created: Name Label FIT_6 Fit for X4 from CURVEFIT, MOD_6 EXPONENTIAL 1 new cases have been added. 二项Logistic 回归 适用于进行二分类因变量的影响因素分析 用于控制混杂因素，描述自变量对因变量的独立作用下的影响程度 用于预测或判别分析 与线性回归的不同之处 被解释变量为0/1二分类定性变量时，不适合线性回归模型分析： 被解释变量取值范围不一致 残差为二值离散型分布而非正态分布 等方差性不再满足 二项Logistic回归 将yi=1的概率值直接拟合线性回归模型：Py=1=β0+βixi 可对概率P值做变量变换，使之取值范围为-∞ ~ +∞ 解释变量与被解释变量概率值的实际关系一般呈增长曲线 发生比（Odds）Ω=p/(1-p) Logit P转换:ln(Ω) = ln(p/(1-p)) = β0+βixi βi为解释变量增加一个单位时, ln(Ω)的变化量 经变换，Ω= exp(β0+βixi) 固定其他变量,研究变量x1的作用 exp(βi)称为固定其他变量的作用时,变量xi增加一个单位引起的发生比之比(Odds Ratio,OR). 二项Logistic回归-参数意义 最大似然估计法，通过最大化对数似然值(log likelihood)估计参数。 最大似然估计法是一种迭代算法，它以一个预测估计值作为参数的初始值，根据算法确定能增大对数似然值的参数的方向和变动。估计了该初始函数后，对残差进行检验并用改进的函数进行重新估计，直到收敛为止（即对数似然不再显著变化）。 二项Logistic回归-参数估计 -2 对数似然值(-2Log Likelihood，-2LL) 似然(likelihood)即概率，反映该模型能较好地拟合样本数据的可能性。 对数似然值(log likelihood，LL)是它的自然对数形式，取值在0 至-∞之间。对数似然值通过最大似然估计的迭代算法计算而得。LL最大为0，越大意味着回归方程的拟合程度越好。因为数学上较方便，常计算-2LL。 二项Logistic回归-检验统计量 比分检验（Score Test） 以未包含某个（或几个）参数的模型为基础，保留模型中参数的估计值，并假设新增加的参数为0，计算似然函数的一阶偏导数及信息矩阵，二者乘积即为比分检验统计量S，样本量大时，S服从卡方分布，比分检验结果一般与似然比检验一致。 二项Logistic回归-检验统计量 回归方程的显著性检验 ——似然比卡方检验 H0:各回归系数同时为0 检验统计量:似然比卡方服从近似卡方分布 L0为解释变量未引入方程时的对数似然函数值, L为解释变量引入方程后的对数似然函数值. 回归方程的拟合优度检验 回归方程能够解释的被解释变量变异程度越高,拟合优度越高. Cox Sne